CN112329627A - 一种高空抛掷物判别方法 - Google Patents

一种高空抛掷物判别方法 Download PDF

Info

Publication number
CN112329627A
CN112329627A CN202011224115.0A CN202011224115A CN112329627A CN 112329627 A CN112329627 A CN 112329627A CN 202011224115 A CN202011224115 A CN 202011224115A CN 112329627 A CN112329627 A CN 112329627A
Authority
CN
China
Prior art keywords
throwing object
throwing
wind
iteration
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011224115.0A
Other languages
English (en)
Other versions
CN112329627B (zh
Inventor
闫政
杜勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Lanhui Information Technology Co ltd
Original Assignee
Chongqing Lanhui Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Lanhui Information Technology Co ltd filed Critical Chongqing Lanhui Information Technology Co ltd
Priority to CN202011224115.0A priority Critical patent/CN112329627B/zh
Publication of CN112329627A publication Critical patent/CN112329627A/zh
Application granted granted Critical
Publication of CN112329627B publication Critical patent/CN112329627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种高空抛掷物判别方法，包括以下步骤：(S1)摄像机对建筑物楼面进行拍摄；(S2)使用帧差法检测并提取摄像机画面中的运动目标；(S3)提取运动目标的运动轨迹坐标序列；(S4)将运动目标的运动轨迹坐标序列输入到预先训练好的神经网络判别模型中进行分类判别，判别该运动目标是否属于高空抛物。通过本发明的高空抛掷物判别方法，将高空抛物目标运动检测与识别转化为一个序列分类问题，提升检测性能的同时，降低检测***的复杂度。

Description

一种高空抛掷物判别方法
技术领域
本发明涉及高空抛掷物检测技术领域，尤其涉及一种高空抛掷物判别方法。
背景技术
高空抛物被称为“悬在城市上空的痛”，一直以来高空抛物行为备受关注，作为城市不文明行为的同时，它所带来的社会危害也很大。由于其实施场所多为高楼层，少有目击者，抛物时间短，甚至有人在抛物时故意隐去身影，使得相关部门很难追究抛物者的法律责任，此类事件屡见不鲜、屡禁不止。因此对高空抛物行为进行识别和取证，已经成为当前城市管理和物业管理的迫切需要。
抛物行为的识别和取证，可以通过对抛物目标轨迹检测的方式进行，当前对抛物目标运动轨迹的检测，主要是通过运动目标检测和轨迹拟合的方式实现的，这种方法首先通过经典的运动目标检测方法，例如背景建模或帧差法，实现连续帧中运动目标的提取，然后通过每帧图像中运动目标的坐标，拟合出连续帧中运动目标的轨迹，并与已知抛物轨迹或抛物线公式计算得到抛物轨迹进行比对，最终确定目标运动轨迹是否为抛物运动轨迹。在实际应用中，上述方式存在一定问题，由于高层建筑物屋面受大气活动的影响，屋面存在湍流，且抛物目标种类繁杂，气动外形千差万别，因此高空抛物目标的运动轨迹非常复杂，难以用一条理论公式来进行描述，而采取与已知高空抛物轨迹样本进行比对，则存在轨迹样本难以获取的问题，同时，进行轨迹比对时需要对整个样本库进行遍历，计算复杂度高，***复杂；而采取实验的模拟的方式，由于实验场地限制，实验费用开销较大，且无法模拟实际场景中多变的风场条件，难以获取到不同气动外形的抛掷物在不同风场下的运动轨迹，这造成模型在训练过程中缺乏有效的训练样本数据，直接影响模型的判别性能。
发明内容
本发明的目的是提供一种高空抛掷物判别方法，将高空抛物目标运动检测与识别转化为一个序列分类问题，提升检测性能的同时，降低检测***的复杂度。
为实现上述目的，本发明提供了一种高空抛掷物判别方法，包括以下步骤：
(S1)摄像机对建筑物楼面进行拍摄；
(S2)使用帧差法检测并提取摄像机画面中的运动目标；
(S3)提取运动目标的运动轨迹坐标序列；
(S4)将运动目标的运动轨迹坐标序列输入到预先训练好的神经网络判别模型中进行分类判别，判别该运动目标是否属于高空抛物。
进一步，若运动目标属于高空抛物，则将该运动目标的运动特征加入到神经网络判别模型的训练集中，进行模型迭代。
进一步，所述预先训练好的神经网络判别模型通过以下步骤获得：
(S41)通过计算机仿真，获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹坐标序列样本；
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集，对判别神经网络进行训练，以得到训练好的神经网络判别模型。
进一步，所述通过计算机仿真，获得不同气动外形的抛掷物在不同风场条件下的运动轨迹样本，具体包括以下步骤：
(S411)通过计算机仿真，随机生成1个抛掷物，抛掷物形态在块、棒、板这3种形态中随机确定；
(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数，计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；
(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动，获得运动轨迹样本Ptag1、Ptag2···Ptagm，生成1个轨迹样本集P＝{Ptag1,Ptag2,...,Ptagm}；可选的，所述初始化抛掷物运动状态，具体包括以下内容：随机设定抛掷物初始速度矢量
Figure BDA0002763079460000021
其角度任意选择，
Figure BDA0002763079460000022
Figure BDA0002763079460000024
的单位为m/s；抛掷物旋转速度
Figure BDA0002763079460000023
模拟时间与风场模拟时间同步；抛掷物运动起始点为模拟风场上部边缘正中；其中，板状抛掷物迎风角
Figure BDA0002763079460000031
随机取值，
Figure BDA0002763079460000032
进一步，所述计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；具体执行以下步骤：
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量
Figure BDA0002763079460000033
结合抛掷物形态特征参数，计算tn-1时刻抛掷物的表面风力
Figure BDA0002763079460000034
和
Figure BDA0002763079460000035
其中，
Figure BDA0002763079460000036
和
Figure BDA0002763079460000037
分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力，
Figure BDA0002763079460000038
为tn-1时刻抛掷物所受翻转作用力；其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(Q2)根据抛掷物的表面风力
Figure BDA0002763079460000039
和
Figure BDA00027630794600000310
分别计算抛掷物加速度
Figure BDA00027630794600000311
Figure BDA00027630794600000312
和
Figure BDA00027630794600000313
其中，
Figure BDA00027630794600000314
和
Figure BDA00027630794600000315
分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度，
Figure BDA00027630794600000316
为抛掷物翻转加速度；
(Q3)通过tn-1时刻抛掷物加速度
Figure BDA00027630794600000317
和tn-1时刻抛掷物在空间3个维度x、y和z上的速度
Figure BDA00027630794600000318
和
Figure BDA00027630794600000319
分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度
Figure BDA00027630794600000320
和
Figure BDA00027630794600000321
和位移
Figure BDA00027630794600000322
和
Figure BDA00027630794600000323
以及抛掷物翻转速度
Figure BDA00027630794600000324
和位移
Figure BDA00027630794600000325
进而得到tn时刻下当前迭代时间步上的几何中心点坐标；
(Q4)迭代开始时，按照设定的时间步长Δt依次序迭代，每次迭代均需重复执行步骤(Q1)至步骤(Q3)，直至达到总迭代步数停止，记录下抛掷物在每个迭代时间步上的几何中心点坐标，将抛掷物在在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库。
进一步，对于块状抛掷物，随机生成球体、球状多面体和立方体抛掷物，球体和球状多面体直径在[10cm,50cm]范围内随机选取，立方体边长在[10cm,30cm]范围内随机选取；
对于棒状抛掷物，随机生成圆柱体、多棱柱抛掷物，长度在[30cm,300cm]内随机选择，截面直径在[5cm,20cm]范围内随机选取；
对于板状抛掷物，随机生成矩形、圆形和多边形板状抛掷物，面积在[0.1m2,1m2]内随机选择；
其中，抛掷物质量随机选取，m∈[50,5000]，质量单位为g。
进一步，所述模拟风场生成步骤如下：
(D1)设置一个用于模拟风场的计算空间，并设定模拟风场的边界层条件；
(D2)根据设定模拟风场的边界层条件，计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)，最终得到在tn时刻各计算点的合成风速V(xi,tn)，
Figure BDA0002763079460000041
其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2)，直到达到总迭代步数后停止计算，得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T。可选的，x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)通过对风速计算公式：
Figure BDA0002763079460000042
拆分得到，拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式为：
Figure BDA0002763079460000043
Figure BDA0002763079460000044
Figure BDA0002763079460000051
对于v方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
对于u方向上，R(Δt)＝exp(-Δt/TLu')，u”(xi,tn-1)＝σu′[1-R2(Δt)]1/2ξ；
对于w方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
其中，
Figure BDA0002763079460000052
和
Figure BDA0002763079460000053
为tn时刻的风速平均分量V(xi,tn)在v、u和w方向上的风速平均分量；v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量；ξ为1组符合标准正态分布的随机数；σ则根据边界层大气状态计算得出，σv'、σu'和σw'分别为σ在v、u和w方向上的取值；TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度，TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度；Δt为计算时间步长；R(Δt)为指数形式的相关系数。
进一步，所述边界层条件包括不稳定边界层、中性边界层和稳定边界层，分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T；可选的，对于不稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝σv′＝u*(12+0.5zi/|L|)1/3；
Figure BDA0002763079460000054
TLu′＝TLv′＝0.15zi/σu′；
Figure BDA0002763079460000061
对于中性边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*exp(-3fz/u*)；
σv′＝σw′＝1.3u*exp(-2fz/u*)；
Figure BDA0002763079460000062
对于稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*(1-z/zi)；
σv′＝σw′＝1.3u*(1-z/zi)；
Figure BDA0002763079460000063
Figure BDA0002763079460000064
Figure BDA0002763079460000065
其中，z为计算点高度，u*为摩擦速度，w*为对流特征速度。zi为混合层高度，L为莫宁-奥布霍夫长度，根据边界条件取值。f为科氏力长度，根据我国的纬度分布，取7.29×10-5。
进一步，训练集的构建步骤包括：
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位，模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角；
(S422)模拟抛掷物运动轨迹，获得各种抛掷物形态及各种风场条件下，各种抛掷物在模拟摄像机中的轨迹图像；
(S423)模拟非抛掷物运动轨迹，随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标，并记录其运动轨迹，获得各种类型的非抛掷物及各种风场条件下，各类非抛掷物运动目标的运动轨迹图像；
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合；
(S425)将混合后的样本集按训练样本数量：测试样本数量＝7:3的比例进行采样，构建训练数据集和测试数据集。
进一步，抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹：
(F1)设摄像机的坐标为(xc,yc,zc)，非抛掷物或抛掷物的运动轨迹通过仿真得出，设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag)，非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(x'tag,y'tag，z'tag)，x'tag和y'tag的计算公式分别为：
Figure BDA0002763079460000071
Figure BDA0002763079460000072
Figure BDA0002763079460000073
其中，f为摄像机镜头焦距；
(F2)重复执行步骤(F1)，直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像，然后执行步骤(F3)；
(F3)重复步骤(F1)和步骤(F2)，获得各种抛掷物形态各种风场条件下，各种非抛掷物或抛掷物在模拟摄像机中的轨迹图像；可选的，所述神经网络判别模型通过卷积神经网络训练得到；可选的，所述神经网络判别模型分为输入层、特征抽取层和判别输出层；输入层接收输入的运动轨迹坐标序列，并向特征抽取层馈送；特征抽取层由3个卷积池化层堆叠而成，即每个卷积层之后接1个1维池化层；判别输出层由1个全连接层和1个softmax层构成，softmax进行二分类判别，即输入轨迹是否为高空抛掷物运动轨迹；可选的，输入的运动轨迹坐标序列长度为125，超过125的序列保留从第1位到125位数据，不足125的序列在序列末尾补0；可选的，每个卷积池化层中，卷积层卷积核大小为1×5，卷积核步长为1；池化大小为1×5，步长为2。
本发明与现有技术相比较具有以下优点：
本发明的高空抛掷物判别***，将高空抛物目标运动检测与识别转化为一个序列分类问题，提升检测性能的同时，降低检测***的复杂度；还解决了在轨迹样本难以获取的问题；***简单，大大降低了计算，降低了成本，且能够模拟实际场景中多变的风场条件，能够获取到不同气动外形的抛掷物在不同风场下的运动轨迹，使得模型在训练过程中获取到有效的训练样本数据，提升了模型的判别性能。
附图说明
图1为本发明高空抛掷物判别方法的流程图；
图2为本发明高空抛掷物判别的结构示意图。
图中：
1-视频图像采集模块；2-运动目标检测模块；3-图像处理模块；41-模型迭代模块；4-高空抛物判别模块；5-网络传输模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
参见图1所示，本实施例公开一种高空抛掷物判别方法，包括以下步骤：
(S1)摄像机对建筑物楼面进行拍摄；
(S2)使用帧差法检测并提取摄像机画面中的运动目标；
(S3)提取运动目标的运动轨迹坐标序列；
(S4)将运动目标的运动轨迹坐标序列输入到预先训练好的神经网络判别模型中，判别该运动目标是否属于高空抛物。
在本实施例中，若运动目标属于高空抛物，则将该运动目标的运动特征加入到神经网络判别模型的训练集中，进行模型迭代。
在本实施例中，所述预先训练好的神经网络判别模型通过以下步骤获得：
(S41)通过计算机仿真，获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹坐标序列样本；
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集，对判别神经网络进行训练，以得到训练好的神经网络判别模型。
在本实施例中，所述通过计算机仿真，获得不同气动外形的抛掷物在不同风场条件下的运动轨迹样本，具体包括以下步骤：
(S411)通过计算机仿真，随机生成1个抛掷物，抛掷物形态在块、棒、板这3种形态中随机确定；
(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数，计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；
(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动，获得运动轨迹样本Ptag1、Ptag2...Ptagm，生成1个轨迹样本集P＝{Ptag1,Ptag2,...,Ptagm}。
在本实施例中，所述初始化抛掷物运动状态，具体包括以下内容：随机设定抛掷物初始速度矢量
Figure BDA0002763079460000091
其角度任意选择，
Figure BDA0002763079460000092
Figure BDA0002763079460000093
的单位为m/s；抛掷物旋转速度
Figure BDA0002763079460000094
模拟时间与风场模拟时间同步；
抛掷物运动起始点为模拟风场上部边缘正中。其中，板状抛掷物迎风角
Figure BDA0002763079460000095
随机取值，
Figure BDA0002763079460000096
板状抛掷物迎风角
Figure BDA0002763079460000097
是用于输入Fluent计算用。
在本实施例中，所述计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；具体执行以下步骤：
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量
Figure BDA0002763079460000101
结合抛掷物形态特征参数，计算tn-1时刻抛掷物的表面风力
Figure BDA0002763079460000102
和
Figure BDA0002763079460000103
其中，
Figure BDA0002763079460000104
和
Figure BDA0002763079460000105
分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力，
Figure BDA0002763079460000106
为tn-1时刻抛掷物所受翻转作用力；其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(Q2)根据抛掷物的表面风力
Figure BDA0002763079460000107
和
Figure BDA0002763079460000108
分别计算抛掷物加速度
Figure BDA0002763079460000109
Figure BDA00027630794600001010
和
Figure BDA00027630794600001011
其中，
Figure BDA00027630794600001012
和
Figure BDA00027630794600001013
分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度，
Figure BDA00027630794600001014
为抛掷物翻转加速度；
(Q3)通过tn-1时刻抛掷物加速度
Figure BDA00027630794600001015
和tn-1时刻抛掷物在空间3个维度x、y和z上的速度
Figure BDA00027630794600001016
和
Figure BDA00027630794600001017
分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度
Figure BDA00027630794600001018
和
Figure BDA00027630794600001019
和位移
Figure BDA00027630794600001020
和
Figure BDA00027630794600001021
以及抛掷物翻转速度
Figure BDA00027630794600001022
和位移
Figure BDA00027630794600001023
进而得到tn时刻下当前迭代时间步上的几何中心点坐标；
(Q4)迭代开始时，按照设定的时间步长Δt依次序迭代，每次迭代均需重复执行步骤(Q1)至步骤(Q3)，直至达到总迭代步数停止，记录下抛掷物在每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；其中，达到预设迭代步数即此时的抛掷物落地或飞出模拟风场边界；抛掷物落地即Vtag,y,t＝0。
在本实施例中，对于块状抛掷物，随机生成球体、球状多面体和立方体抛掷物，球体和球状多面体直径在[10cm,50cm]范围内随机选取，立方体边长在[10cm,30cm]范围内随机选取；
对于棒状抛掷物，随机生成圆柱体、多棱柱抛掷物，长度在[30cm,300cm]内随机选择，截面直径在[5cm,20cm]范围内随机选取；
对于板状抛掷物，随机生成矩形、圆形和多边形板状抛掷物，面积在[0.1m2,1m2]内随机选择；
其中，抛掷物质量随机选取，m∈[50,5000]，质量单位为g。
在本实施例中，所述表面风力
Figure BDA0002763079460000111
和
Figure BDA0002763079460000112
的计算公式分别为：
Figure BDA0002763079460000113
Figure BDA0002763079460000114
Figure BDA0002763079460000115
Figure BDA0002763079460000116
其中，ρa为空气密度，A为抛掷物最大参考面积，
Figure BDA0002763079460000117
为tn-1时刻抛掷物运动速度矢量，
Figure BDA0002763079460000118
为抛掷物旋转速度矢量；
Figure BDA0002763079460000119
为tn-1时刻下抛掷物运动位置处风速矢量；
Figure BDA00027630794600001110
和
Figure BDA00027630794600001111
分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力系数，
Figure BDA00027630794600001112
为tn-1时刻抛掷物所受翻转作用力对应表面风力系数。在本实施例中，每次迭代时，以下数据需进行更新：抛掷物的位置坐标；抛掷物的速度矢量
Figure BDA00027630794600001113
抛掷物当前运动位置处风速矢量
Figure BDA00027630794600001114
抛掷物在tn-1时刻抛掷物表面风力系数
Figure BDA00027630794600001115
和
Figure BDA00027630794600001116
Figure BDA00027630794600001117
和
Figure BDA00027630794600001118
是根据tn-1时刻下抛掷物运动位置处风速矢量
Figure BDA00027630794600001119
并结合抛射物形态特征参数，采用RANS均时应力模型、CFD计算软件Fluent计算得到。tn时刻抛掷物的表面风力
Figure BDA00027630794600001120
和
Figure BDA00027630794600001121
采用RANS均时应力模型及CFD计算软件Fluent进行计算。
在本实施例中，计算抛掷物加速度
Figure BDA00027630794600001122
和
Figure BDA00027630794600001123
的公式分别为：
Figure BDA00027630794600001124
Figure BDA0002763079460000121
Figure BDA0002763079460000122
Figure BDA0002763079460000123
计算抛掷物在空间3个维度x、y和z上的速度
Figure BDA0002763079460000124
和
Figure BDA0002763079460000125
和位移
Figure BDA0002763079460000126
Figure BDA0002763079460000127
和
Figure BDA0002763079460000128
以及抛掷物翻转速度
Figure BDA0002763079460000129
和位移
Figure BDA00027630794600001210
的公式分别为：
Figure BDA00027630794600001211
Figure BDA00027630794600001212
Figure BDA00027630794600001213
Figure BDA00027630794600001214
Figure BDA00027630794600001215
Figure BDA00027630794600001216
Figure BDA00027630794600001217
Figure BDA00027630794600001218
在本实施例中，所述模拟风场生成步骤如下：
(D1)设置一个用于模拟风场的计算空间，并设定模拟风场的边界层条件；
(D2)根据设定模拟风场的边界层条件，计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)，最终得到在tn时刻各计算点的合成风速V(xi,tn)，
Figure BDA00027630794600001219
其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2)，直到达到总迭代步数后停止计算，得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T。
在本实施例中，所述计算空间的大小为高120m，宽300m，纵深300m；在某些实施例中，所述计算空间还可以为其他大小，在此不作限定。各计算点划分：根据计算能力，确定风场计算点网格尺寸，模拟网格大小在1mX1m至5mX5m内可选。不稳定边界层的风场模拟选择小尺度、较密集的网格，中性和稳定边界层的模拟选择大尺度、稀疏的网格。确认风场模拟时间与抛掷物运动状态下总迭代步数相同。
在本实施例中，
Figure BDA0002763079460000131
在[0m/s,5m/s]之间进行随机设定。
在本实施例中，通过公式(1)至公式(4)可以推导出x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)的计算公式，具体推算过程如下：
模拟风场中每个计算点在t时刻的风速：
Figure BDA0002763079460000132
式(1)可以拆分为3个速度分量来表示：
Figure BDA0002763079460000133
上述3个速度分量生成合成风速的公式为：
Figure BDA0002763079460000134
其中，将气流涡旋过程作为1个连续过程，在遵从Markov假定条件下，经过1个时间步长，计算点风速为：
V′(xi,tn)＝R(Δt)V′(xi,tn-1)+V″(xi,tn-1) (2)；
式(2)可以拆分为3个速度分量来表示：
Figure BDA0002763079460000141
R(Δt)＝exp(-Δt/TL) (3)；
V″(xi,tn)＝σ[1-R2(Δt)]1/2ξ (4)；
综上所述，得到风速计算公式：
Figure BDA0002763079460000142
在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)，拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式为：
Figure BDA0002763079460000143
Figure BDA0002763079460000144
Figure BDA0002763079460000145
对于v方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
对于u方向上，R(Δt)＝exp(-Δt/TLu')，u”(xi,tn-1)＝σu′[1-R2(Δt)]1/2ξ；
对于w方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
其中，
Figure BDA0002763079460000146
和
Figure BDA0002763079460000147
为tn时刻的风速平均分量V(xi,tn)在v、u和w方向上的风速平均分量；v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量；ξ为1组符合标准正态分布的随机数；σ则根据边界层大气状态计算得出，σv'、σu'和σw'分别为σ在v、u和w方向上的取值；TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度，TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度；Δt为计算时间步长；R(Δt)为指数形式的相关系数。此处平均分量原则上由1个诊断风场软件给出，但是由于抛物时间较短，风速的平均分量变化不大，因此在本方案中，每次仿真计算中，风速的平均分量均人为设定且保持恒定不变，因此
Figure BDA0002763079460000148
和
Figure BDA0002763079460000149
的取值在[1,10]区间内，
Figure BDA00027630794600001410
的取值在[0,3]区间内。时间步长根据实际需要进行取值，在此不作限定，在本实施例中，时间步长取值为1s。在计算上，上面3个式子的中右边第二项需要对v'(xi,tn)、u'(xi,tn)、w'(xi,tn)进行迭代。采用上面三个式子进行描述时。在实际计算中V’的初始值为0或者1个很小的值。
在本实施例中，所述边界层条件包括不稳定边界层、中性边界层和稳定边界层，分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T。
在本实施例中，对于不稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝σv′＝u*(12+0.5zi/|L|)1/3；
Figure BDA0002763079460000151
TLu′＝TLv′＝0.15zi/σu′；
Figure BDA0002763079460000152
对于中性边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*exp(-3fz/u*)；
σv′＝σw′＝1.3u*exp(-2fz/u*)；
Figure BDA0002763079460000153
对于稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*(1-z/zi)；
σv′＝σw′＝1.3u*(1-z/zi)；
Figure BDA0002763079460000161
Figure BDA0002763079460000162
Figure BDA0002763079460000163
其中，z为计算点高度，u*为摩擦速度，w*为对流特征速度。zi为混合层高度，L为莫宁-奥布霍夫长度(Monin–Obukhov length)，根据边界条件取值。f为科氏力长度，根据我国的纬度分布，取7.29×10-5。
在本实施例中，训练集的构建步骤包括：
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位，模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角；
(S422)模拟抛掷物运动轨迹，获得各种抛掷物形态及各种风场条件下，各种抛掷物在模拟摄像机中的轨迹图像；
(S423)模拟非抛掷物运动轨迹，随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标，并记录其运动轨迹，获得各种类型的非抛掷物及各种风场条件下，各类非抛掷物运动目标的运动轨迹图像；
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合；
(S425)将混合后的样本集按训练样本数量：测试样本数量＝7:3的比例进行采样，构建训练数据集和测试数据集。
在本实施例中，抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹：
(F1)设摄像机的坐标为(xc,yc,zc)，非抛掷物或抛掷物的运动轨迹通过仿真得出，设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag)，非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(x'tag,y'tag，z'tag)，x'tag和y'tag的计算公式分别为：
Figure BDA0002763079460000171
Figure BDA0002763079460000172
Figure BDA0002763079460000173
其中，f为摄像机镜头焦距；采用针孔成像模型，在针孔成像模型中不对Z轴上的数据进行计算。
(F2)重复执行步骤(F1)，直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像，然后执行步骤(F3)；
(F3)重复步骤(F1)和步骤(F2)，获得各种抛掷物形态各种风场条件下，不同非抛掷物或抛掷物在模拟摄像机中的轨迹图像。
在本实施例中，所述神经网络判别模型通过卷积神经网络训练得到。所述神经网络判别模型分为输入层、特征抽取层和判别输出层；输入层接收输入的坐标序列轨迹坐标序列，并向特征抽取层馈送；特征抽取层由3个卷积池化层堆叠而成，即每个卷积层之后接1个1维池化层；判别输出层由1个全连接层和1个softmax层构成，softmax进行二分类判别，即输入轨迹是否为高空抛掷物运动轨迹。
在本实施例中，输入的运动轨迹坐标序列长度为125，超过125的序列保留从第1位到125位数据，不足125的序列在序列末尾补0；可选的，每个卷积池化层中，卷积层卷积核大小为1×5，卷积核步长为1；池化大小为1×5，步长为2。
在本实施例中，神经网络使用Binary Cross Entropy作为损失函数：
Figure BDA0002763079460000174
式中：
y为轨迹样本的类别；
p(yi)为神经网络给出的样本类别分类概率；
N为样本个数。抛掷物在风场中的运动轨迹，通过摄像机拍摄后，离散化为1个轨迹坐标序列。将该序列输入1个判别网络，实现轨迹的分类判别。
参见图2所示，本实施例还公开了一种高空抛掷物判别***，执行上述高空抛掷物判别方法，包括：
视频图像采集模块1，用于拍摄建筑物楼面；
网络传输模块5，用于传输拍摄建筑物楼面的画面；
运动目标检测模块2，用于接收来自网络传输模块5的建筑物楼面的画面，以及检测并提取拍摄画面中的运动目标；所述运动目标检测模块2与视频图像采集模块1连接；
图像处理模块3，用于提取运动目标的运动轨迹坐标序列并输入高空抛物判别模块4；所述图像处理模块3与所述运动目标检测模块2连接；
高空抛物判别模块4，用于判别输入的运动目标是否属于高空抛物，所述高空抛物判别模块4与图像处理模块3连接，所述高空抛物判别模块4中建立有用于判别输入的运动目标是否属于高空抛物的神经网络判别模型。
在本实施例中，高空抛物判别模块4包括模型迭代模块41，用于将属于高空抛物的运动目标的运动特征加入到神经网络判别模型的训练集中，进行模型迭代。
本发明的高空抛掷物判别***，将高空抛物目标运动检测与识别转化为一个序列分类问题，提升检测性能的同时，降低检测***的复杂度；还解决了在轨迹样本难以获取的问题；***简单，大大降低了计算，降低了成本，且能够模拟实际场景中多变的风场条件，能够获取到不同气动外形的抛掷物在不同风场下的运动轨迹，使得模型在训练过程中获取到有效的训练样本数据，提升了模型的判别性能。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种高空抛掷物判别方法，其特征在于，包括以下步骤：
(S1)摄像机对建筑物楼面进行拍摄；
(S2)使用帧差法检测并提取摄像机画面中的运动目标；
(S3)提取运动目标的运动轨迹坐标序列；
(S4)将运动目标的运动轨迹坐标序列输入到预先训练好的神经网络判别模型中进行分类判别，判别该运动目标是否属于高空抛物。
2.根据权利要求1所述的高空抛掷物判别方法，其特征在于，所述预先训练好的神经网络判别模型通过以下步骤获得：
(S41)通过计算机仿真，获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹坐标序列样本；
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集，对判别神经网络进行训练，以得到训练好的神经网络判别模型。
3.根据权利要求2所述的高空抛掷物判别方法，其特征在于，所述通过计算机仿真，获得不同气动外形的抛掷物在不同风场条件下的运动轨迹样本，具体包括以下步骤：
(S411)通过计算机仿真，随机生成1个抛掷物，抛掷物形态在块、棒、板这3种形态中随机确定；
(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数，计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；
(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动，获得运动轨迹样本Ptag1、Ptag2···Ptagm，生成1个轨迹样本集P＝{Ptag1,Ptag2,...,Ptagm}；可选的，所述初始化抛掷物运动状态，具体包括以下内容：随机设定抛掷物初始速度矢量
Figure FDA0002763079450000011
其角度任意选择，
Figure FDA0002763079450000012
Figure FDA0002763079450000013
的单位为m/s；抛掷物旋转速度
Figure FDA0002763079450000014
模拟时间与风场模拟时间同步；抛掷物运动起始点为模拟风场上部边缘正中；其中，板状抛掷物迎风角
Figure FDA0002763079450000021
随机取值，
Figure FDA0002763079450000022
4.根据权利要求3所述的高空抛掷物判别方法，其特征在于，所述计算并记录每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库；具体执行以下步骤：
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量
Figure FDA0002763079450000023
结合抛掷物形态特征参数，计算tn-1时刻抛掷物的表面风力
Figure FDA0002763079450000024
和
Figure FDA0002763079450000025
其中，
Figure FDA0002763079450000026
和
Figure FDA0002763079450000027
分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力，
Figure FDA0002763079450000028
为tn-1时刻抛掷物所受翻转作用力；其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(Q2)根据抛掷物的表面风力
Figure FDA0002763079450000029
和
Figure FDA00027630794500000210
分别计算抛掷物加速度
Figure FDA00027630794500000211
Figure FDA00027630794500000212
和
Figure FDA00027630794500000213
其中，
Figure FDA00027630794500000214
和
Figure FDA00027630794500000215
分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度，
Figure FDA00027630794500000216
为抛掷物翻转加速度；
(Q3)通过tn-1时刻抛掷物加速度
Figure FDA00027630794500000217
和tn-1时刻抛掷物在空间3个维度x、y和z上的速度
Figure FDA00027630794500000218
和
Figure FDA00027630794500000219
分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度
Figure FDA00027630794500000220
和
Figure FDA00027630794500000221
和位移
Figure FDA00027630794500000222
和
Figure FDA00027630794500000223
以及抛掷物翻转速度
Figure FDA00027630794500000224
和位移
Figure FDA00027630794500000225
进而得到tn时刻下当前迭代时间步上的几何中心点坐标；
(Q4)迭代开始时，按照设定的时间步长Δt依次序迭代，每次迭代均需重复执行步骤(Q1)至步骤(Q3)，直至达到总迭代步数停止，记录下抛掷物在每个迭代时间步上的几何中心点坐标，将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库。
5.根据权利要求3或4所述的高空抛掷物判别方法，其特征在于，
对于块状抛掷物，随机生成球体、球状多面体和立方体抛掷物，球体和球状多面体直径在[10cm,50cm]范围内随机选取，立方体边长在[10cm,30cm]范围内随机选取；
对于棒状抛掷物，随机生成圆柱体、多棱柱抛掷物，长度在[30cm,300cm]内随机选择，截面直径在[5cm,20cm]范围内随机选取；
对于板状抛掷物，随机生成矩形、圆形和多边形板状抛掷物，面积在[0.1m2,1m2]内随机选择；
其中，抛掷物质量随机选取，m∈[50,5000]，质量单位为g。
6.根据权利要求2至4任一所述的高空抛掷物判别方法，其特征在于，所述模拟风场生成步骤如下：
(D1)设置一个用于模拟风场的计算空间，并设定模拟风场的边界层条件；
(D2)根据设定模拟风场的边界层条件，计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)，最终得到在tn时刻各计算点的合成风速V(xi,tn)，
Figure FDA0002763079450000031
其中，tn＝t0+nΔt，n大于等于1，小于等于总迭代步数；当n＝1时，tn-1＝t0，t0表示抛掷物初始状态下的初始时刻，tn表示当前经过n次迭代时间步后的当前时刻；
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2)，直到达到总迭代步数后停止计算，得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T；可选的，x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)通过对风速计算公式：
Figure FDA0002763079450000032
拆分得到，拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式分别为：
Figure FDA0002763079450000033
Figure FDA0002763079450000041
Figure FDA0002763079450000042
对于v方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
对于u方向上，R(Δt)＝exp(-Δt/TLu')，u”(xi,tn-1)＝σu′[1-R2(Δt)]1/2ξ；
对于w方向上，R(Δt)＝exp(-Δt/TLv')，v”(xi,tn-1)＝σv′[1-R2(Δt)]1/2ξ；
其中，
Figure FDA0002763079450000043
和
Figure FDA0002763079450000044
为tn时刻的风速平均分量V(xi,tn)在v、u和w方向上的风速平均分量；v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量；ξ为1组符合标准正态分布的随机数；σ则根据边界层大气状态计算得出，σv'、σu'和σw'分别为σ在v、u和w方向上的取值；TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度，TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度；Δt为计算时间步长；R(Δt)为指数形式的相关系数。
7.根据权利要求6所述的高空抛掷物判别方法，其特征在于，所述边界层条件包括不稳定边界层、中性边界层和稳定边界层，分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T；可选的，对于不稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝σv′＝u*(12+0.5zi/|L|)1/3；
Figure FDA0002763079450000045
TLu′＝TLv′＝0.15zi/σu′；
Figure FDA0002763079450000051
对于中性边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*exp(-3fz/u*)；
σv′＝σw′＝1.3u*exp(-2fz/u*)；
Figure FDA0002763079450000052
对于稳定边界层，则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为：
σu′＝2u*(1-z/zi)；
σv′＝σw′＝1.3u*(1-z/zi)；
Figure FDA0002763079450000053
Figure FDA0002763079450000054
Figure FDA0002763079450000055
其中，z为计算点高度，u*为摩擦速度，w*为对流特征速度。zi为混合层高度，L为莫宁-奥布霍夫长度，根据边界条件取值。f为科氏力长度，根据我国的纬度分布，取7.29×10-5。
8.根据权利要求2或3或4或7所述的高空抛掷物判别方法，其特征在于，训练集的构建步骤包括：
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位，模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角；
(S422)模拟抛掷物运动轨迹，获得各种抛掷物形态及各种风场条件下，各种抛掷物在模拟摄像机中的轨迹图像；
(S423)模拟非抛掷物运动轨迹，随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标，并记录其运动轨迹，获得各种类型的非抛掷物及各种风场条件下，各类非抛掷物运动目标的运动轨迹图像；
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合；
(S425)将混合后的样本集按训练样本数量：测试样本数量＝7:3的比例进行采样，构建训练数据集和测试数据集。
9.根据权利要求8所述的高空抛掷物判别方法，其特征在于，抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹：
(F1)设摄像机的坐标为(xc,yc,zc)，非抛掷物或抛掷物的运动轨迹通过仿真得出，设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag)，非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(x′tag,y′tag，z′tag)，x′tag和y′tag的计算公式分别为：
Figure FDA0002763079450000061
Figure FDA0002763079450000062
Figure FDA0002763079450000063
其中，f为摄像机镜头焦距；
(F2)重复执行步骤(F1)，直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像，然后执行步骤(F3)；
(F3)重复步骤(F1)和步骤(F2)，获得各种抛掷物形态各种风场条件下，各种非抛掷物或抛掷物在模拟摄像机中的轨迹图像；可选的，所述神经网络判别模型通过卷积神经网络训练得到；可选的，所述神经网络判别模型分为输入层、特征抽取层和判别输出层；输入层接收输入的运动轨迹坐标序列，并向特征抽取层馈送；特征抽取层由3个卷积池化层堆叠而成，即每个卷积层之后接1个1维池化层；判别输出层由1个全连接层和1个softmax层构成，softmax进行二分类判别，即输入轨迹是否为高空抛掷物运动轨迹；可选的，输入的运动轨迹坐标序列长度为125，超过125的序列保留从第1位到125位数据，不足125的序列在序列末尾补0；可选的，每个卷积池化层中，卷积层卷积核大小为1×5，卷积核步长为1；池化大小为1×5，步长为2。
10.根据权利要求2或3或4或7或9所述的高空抛掷物判别方法，其特征在于，若运动目标属于高空抛物，则将该运动目标的运动特征加入到神经网络判别模型的训练集中，进行模型迭代。
CN202011224115.0A 2020-11-05 2020-11-05 一种高空抛掷物判别方法 Active CN112329627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011224115.0A CN112329627B (zh) 2020-11-05 2020-11-05 一种高空抛掷物判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011224115.0A CN112329627B (zh) 2020-11-05 2020-11-05 一种高空抛掷物判别方法

Publications (2)

Publication Number Publication Date
CN112329627A true CN112329627A (zh) 2021-02-05
CN112329627B CN112329627B (zh) 2024-02-09

Family

ID=74315896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011224115.0A Active CN112329627B (zh) 2020-11-05 2020-11-05 一种高空抛掷物判别方法

Country Status (1)

Country Link
CN (1) CN112329627B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241012A (zh) * 2022-02-23 2022-03-25 深圳市研超科技有限公司 一种高空抛物的判定方法及装置
CN116597340A (zh) * 2023-04-12 2023-08-15 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104601939A (zh) * 2013-10-31 2015-05-06 深圳市东宝嘉科技有限公司 一种监测高空抛物以及消除其危害的方法和***
CN110675592A (zh) * 2019-08-16 2020-01-10 重庆特斯联智慧科技股份有限公司 一种基于目标识别的高空抛物预警防护***和控制方法
CN111079663A (zh) * 2019-12-19 2020-04-28 深圳云天励飞技术有限公司 高空抛物的监测方法、装置、电子设备及存储介质
CN111553256A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于物体轨迹识别的高空抛物预警识别方法
CN111639578A (zh) * 2020-05-25 2020-09-08 上海中通吉网络技术有限公司 智能识别违规抛物的方法、装置、设备和存储介质
CN111723654A (zh) * 2020-05-12 2020-09-29 中国电子***技术有限公司 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104601939A (zh) * 2013-10-31 2015-05-06 深圳市东宝嘉科技有限公司 一种监测高空抛物以及消除其危害的方法和***
CN110675592A (zh) * 2019-08-16 2020-01-10 重庆特斯联智慧科技股份有限公司 一种基于目标识别的高空抛物预警防护***和控制方法
CN111079663A (zh) * 2019-12-19 2020-04-28 深圳云天励飞技术有限公司 高空抛物的监测方法、装置、电子设备及存储介质
CN111553256A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于物体轨迹识别的高空抛物预警识别方法
CN111723654A (zh) * 2020-05-12 2020-09-29 中国电子***技术有限公司 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN111639578A (zh) * 2020-05-25 2020-09-08 上海中通吉网络技术有限公司 智能识别违规抛物的方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨晔 等: "拉格朗日粒子模型在核事故应急中的开发与应用", 《原子能科学技术》, vol. 47, pages 713 - 714 *
赵璐 等: "基于多层感知器和运动轨迹的海上目标类型识别", 《舰船电子工程》, vol. 40, no. 3, pages 36 - 38 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241012A (zh) * 2022-02-23 2022-03-25 深圳市研超科技有限公司 一种高空抛物的判定方法及装置
CN116597340A (zh) * 2023-04-12 2023-08-15 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质
CN116597340B (zh) * 2023-04-12 2023-10-10 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112329627B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN110889324A (zh) 一种基于yolo v3面向末端制导的热红外图像目标识别方法
CN110222769B (zh) 一种基于YOLOV3-tiny的改进目标检测方法
CN112329627B (zh) 一种高空抛掷物判别方法
CN108256411A (zh) 由摄像机图像车辆定位的方法和***
Sun et al. Robust visual detection and tracking strategies for autonomous aerial refueling of UAVs
CN110147598B (zh) 基于图像处理的超高速撞击碎片云建模及损伤评估方法
Kim et al. Convolutional neural network for monocular vision-based multi-target tracking
Mansour et al. Automated vehicle detection in satellite images using deep learning
CN111415420B (zh) 空间信息确定方法、装置及电子设备
CN108564600B (zh) 运动物体姿态跟踪方法及装置
Li et al. Intelligent mobile drone system based on real-time object detection
CN106127125A (zh) 基于人体行为特征的分布式dtw人体行为意图识别方法
CN104102835A (zh) 一种基于实时视频图像的投掷训练成绩检测方法
CN112347915B (zh) 一种高空抛掷物判别***
Patil et al. A survey on joint object detection and pose estimation using monocular vision
Chen et al. Continuous occupancy mapping in dynamic environments using particles
Vrba et al. On onboard lidar-based flying object detection
CN106127119A (zh) 基于彩色图像和深度图像多特征的联合数据关联方法
CN111414720B (zh) 一种基于神经网络的流场旋涡检测方法
Ozaki et al. Ekf-based real-time self-attitude estimation with camera dnn learning landscape regularities
CN115098827A (zh) 一种积雪环境下的红外场景数值计算方法
Gupta et al. Edge detection using modified firefly algorithm
CN109358618B (zh) 一种移动机器人的路径规划方法
Gastelum et al. Synthetic Training Images for Real-World Object Detection.
Luo et al. Line-based classification of terrestrial laser scanning data using conditional random field

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant